Kubeflow: Machine Learning Toolkit för Kubernetes

Kubeflow: Machine Learning Toolkit för Kubernetes

Kubeflow: Machine Learning Toolkit för Kubernetes

Vårt inlägg i dag kommer att behandla området Automatiskt lärande (maskininlärning / ML). Specifikt om en öppen källkodsapplikation "Kubeflow", som i sin tur fungerar på Kubernetes. Som, som många av er redan vet, är ett öppen källkodssystem för att automatisera distribution, skalning och hantering av containeriserade applikationer.

"Kubeflow" trots att det för närvarande är tillgängligt under stabil version 1.2, som det visas på sin officiella officiella webbplats och GitHub, i sin officiella blogg, har den redan kommenterat nästa version 1.3. Det är därför vi idag kommer att gräva i den här applikationen.

Kognitiv verktygslåda: Open Source Deep Learning SW

Kognitiv verktygslåda: Open Source Deep Learning SW

Och som vanligt, för de som alltid är ivriga att fördjupa sig i ett ämne som läses, lämnar vi följande länkar till relaterade tidigare inlägg som du kan utforska när detta inlägg är klart:

"Microsofts Cognitive Toolkit (tidigare kallad CNTK) är en verktygslåda för djupinlärning (Machine Learning) de «Código Abierto» med enorm potential. Det är också gratis, lättanvänd och kommersiell kvalitet som gör att du kan skapa djupinlärningsalgoritmer som kan lära sig på en nivå som ligger nära den mänskliga hjärnans." Kognitiv verktygslåda: Open Source Deep Learning SW

Kognitiv verktygslåda: Open Source Deep Learning SW
Relaterad artikel:
Kognitiv verktygslåda: Open Source Deep Learning SW

.NET och ML.NET: Microsoft Open Source-plattformar
Relaterad artikel:
.NET och ML.NET: Microsoft Open Source-plattformar
TensorFlow och Pytorch: Open Source AI-plattformar
Relaterad artikel:
TensorFlow och Pytorch: Open Source AI-plattformar

Kubeflow: Ett öppet maskininlärningsprojekt

Kubeflow: Ett öppet maskininlärningsprojekt

Vad är Kubeflow?

Enligt din officiell hemsida, definieras detta öppna projekt enligt följande:

"Det är ett projekt som är dedikerat till att göra maskininlärning (ML) arbetsflödesdistributioner på Kubernetes enkla, bärbara och skalbara. Målet är inte att återskapa andra tjänster, utan att tillhandahålla ett enkelt sätt att distribuera de bästa open source-systemen för ML över olika infrastrukturer. Så var som helst Kubernetes kör, kan Kubeflow springa."

Medan på din webbplats på GitHub, lägg kort till följande:

"Kubeflow är den inbyggda plattformen i molnet för maskininlärningsoperationer: rörledningar, utbildning och distribution."

Av detta kan man lätt dra slutsatsen att huvudmålet med "Kubeflow" är:

"Gör maskininlärning (ML) -modellskalning och -distribution så enkel som möjligt, så att Kubernetes kan göra vad de vet hur de ska göra: Enkel, repeterbar, bärbar distribution över en mångsidig infrastruktur, distribution och hantering av mikrotjänster löst kopplade och skalas efter behov."

Egenskaper?

Bland de anmärkningsvärda egenskaperna hos "Kubeflow" Vi kan nämna följande:

  • Inkluderar tjänster för att skapa och hantera interaktiva Jupiter-anteckningsböcker. Tillåter att anpassa distributionen av samma och andra datorresurser för att anpassa dem till datavetenskapens behov. Således blir det enkelt att experimentera med lokala arbetsflöden och sedan distribuera dem i molnet när det behövs.
  • Ger en anpassad TensorFlow-utbildningsjobboperatör. Som kan användas för att träna en ML-modell. I synnerhet kan Kubeflow-jobboperatören hantera distribuerade TensorFlow-träningsjobb. Tillåter kraften att konfigurera träningskontrollen att använda CPU eller GPU, och därmed anpassa sig till olika klusterstorlekar.
  • Stöder en TensorFlow-serveringsbehållare för export av utbildade TensorFlow-modeller till Kubernetes. Dessutom är Kubeflow också integrerat med Seldon Core, en öppen källkodsplattform för att distribuera maskininlärningsmodeller på Kubernetes och NVIDIA Triton Inference Server för att maximera GPU-utnyttjande när ML / DL-modeller distribueras i stor skala.
  • Inkluderar Kubeflow Pipelines-teknik. Vilket är en omfattande lösning för att distribuera och hantera ML-arbetsflöden från slut till slut. Medger snabba och tillförlitliga experiment, används för att schemalägga och jämföra körningar och granska detaljerade rapporter om varje körning.
  • Erbjuder en multi-framework foundation. Eftersom det förutom att arbeta mycket bra med TensorFlow, kommer det snart att ha stöd för PyTorch, Apache MXNet, MPI, XGBoost, Chainer och mer.

Mer uppdaterad information om "Kubeflow" kan erhållas direkt på din Officiell blogg.

Vad är Kubernetes?

Med tanke på, "Kubeflow" arbetar på "Kubernetes", det är värt att specificera enligt dina egna officiell hemsida att den senare är följande:

"Kubernetes (K8s) är en öppen källkodsplattform för automatisering av distribution, skalning och hantering av containeriserade applikationer."

Och om du vill, fördjupa dig "Kubernetes" Du kan utforska våra tidigare och senaste relaterade publikationer nedan:

Relaterad artikel:
Kubernetes 1.19 anländer med ett års support, TLS 1.3, förbättringar och mer
Docker vs. Kubernetes
Relaterad artikel:
Docker vs Kubernetes: fördelar och nackdelar

Generisk bild för artikelns slutsatser

Slutsats

Vi hoppas det här "hjälpsamma lilla inlägg"«Kubeflow», ett intressant och modernt öppen källkodsprojekt inom djupinlärning, som syftar till att öka räckvidden för open source-plattformen «Kubernetes »; är av stort intresse och nytta, för hela «Comunidad de Software Libre y Código Abierto» och med stort bidrag till spridningen av det underbara, gigantiska och växande ekosystemet för applikationer av «GNU/Linux».

För nu, om du gillade det här publicación, Sluta inte dela det med andra, på dina favoritwebbplatser, kanaler, grupper eller grupper av sociala nätverk eller meddelandesystem, helst gratis, öppet och / eller säkrare som TelegramSignalMastodon eller en annan av Fediverse, företrädesvis.

Och kom ihåg att besöka vår hemsida på «Från Linux» för att utforska fler nyheter, samt gå med i vår officiella kanal Telegram från FromLinuxMedan du kan besöka vilken som helst för mer information Online-bibliotek som OpenLibra y jedit, för att komma åt och läsa digitala böcker (PDF-filer) om detta ämne eller andra.


Innehållet i artikeln följer våra principer om redaktionell etik. Klicka på för att rapportera ett fel här.

Bli först att kommentera

Lämna din kommentar

Din e-postadress kommer inte att publiceras.

*

*

  1. Ansvarig för uppgifterna: Miguel Ángel Gatón
  2. Syftet med uppgifterna: Kontrollera skräppost, kommentarhantering.
  3. Legitimering: Ditt samtycke
  4. Kommunikation av uppgifterna: Uppgifterna kommer inte att kommuniceras till tredje part förutom enligt laglig skyldighet.
  5. Datalagring: databas värd för Occentus Networks (EU)
  6. Rättigheter: När som helst kan du begränsa, återställa och radera din information.